CursoAlgoritmos de Inteligencia Artificial para Investigación Aplicada
¿Qué aprenderás en el curso de inteligencia artificial?
Los participantes aprenderán fundamentos de aprendizaje automático, preparación de datos y uso de algoritmos supervisados y no supervisados para generar modelos predictivos y descubrir patrones en información real.
40 HORAS
23 MAR 2026
EN LÍNEA
Logros formativos del curso
Competencia 1: Aplica algoritmos de aprendizaje automático para analizar datos de investigación y generar modelos predictivos.
Competencia 2: Prepara, transforma y estructura datasets para su uso en modelos de inteligencia artificial.
Competencia 3: Evalúa el desempeño de modelos utilizando métricas y técnicas de validación.
- FECHAS: 23 de marzo al 5 de abril del 2026
HORARIO: lunes a jueves de 18:00 a 21:00
INVERSIÓN:
- Público general: $200
- Comunidad UTI: 10% de descuento $180
- Alumni: 20% de descuento $160
Docente del curso
Carlos Julio Fierro Silva
Inteligencia Artificial y Ciencia de Datos
Investigador y docente especializado en inteligencia artificial aplicada, aprendizaje automático y análisis de datos para investigación científica y proyectos tecnológicos.
APROBACIÓN:
- 80% de asistencia a las sesiones virtuales.
- Entrega de ejercicios prácticos.
- Aprobación del proyecto o actividad final.
CERTIFICACIÓN:
Al finalizar el curso, el participante deberá cumplir con al menos el 80% de asistencia y aprobar las actividades prácticas para obtener su certificado de aprobación.
RECURSOS Y MATERIALES:
Python, Google Colab, Scikit-learn, TensorFlow o PyTorch, Jupyter Notebook, Plataforma de videoconferencia (Zoom o Teams)
METODOLOGÍA DEL CURSO:
- El curso se desarrolla en modalidad virtual combinando sesiones teóricas y prácticas.
- Se utilizarán ejemplos aplicados, ejercicios guiados y análisis de datasets reales utilizando herramientas de inteligencia artificial.
Descripción
Curso orientado a profesionales e investigadores interesados en aplicar técnicas de inteligencia artificial en el análisis de datos. Se trabajará con herramientas como Python, Google Colab y bibliotecas de machine learning.
Contenidos del curso
Fundamentos de Inteligencia Artificial
- Tema 1: Introducción a la inteligencia artificial.
- Tema 2: Conceptos de aprendizaje automático.
- Tema 3: Aprendizaje supervisado y no supervisado.
- Tema 4: Tipos de problemas: clasificación, regresión, clustering y detección.
Estructura y preparación de datos
- Tema 1: Tipos de datos en modelos de IA.
- Tema 2: Variables predictoras y variables objetivo.
- Tema 3: Preparación inicial de datos.
- Tema 4: Introducción a datasets para machine learning.
Módulo 3: Preprocesamiento de datos
- Tema 1: Manejo de datos faltantes.
- Tema 2: Normalización y escalamiento.
- Tema 3: Variables categóricas.
- Tema 4: Conjuntos de entrenamiento y validación.
Modelos supervisados
- Tema 1: Regresión logística.
- Tema 2: Árboles de decisión.
- Tema 3: Algoritmos basados en vecinos.
- Tema 4: Evaluación de modelos de clasificación.
Modelos de regresión
- Tema 1: Modelos de regresión para predicción.
- Tema 2: Métricas de evaluación.
- Tema 3: Precisión, sensibilidad y especificidad.
- Tema 4: Interpretación de resultados.
Aprendizaje avanzado y aplicaciones
- Tema 1: Aprendizaje no supervisado.
- Tema 2: Clustering y reducción de dimensionalidad.
- Tema 3: Transfer learning con modelos. preentrenados.
- Tema 4: Detección de anomalías y validación de modelos.
